《Smart Agricultural Technology》：Advancing Non-Invasive Technology for Early Disease Detection in Potato: A Review of Hyperspectral Imaging Applications in Western Canada
编辑推荐：
全球粮食安全面临若干威胁，包括不断增长的人口对已经过度利用的农业产业施加压力。小麦、玉米、水稻和马铃薯等粮食作物的生产本身受到许多非生物和生物因素（包括病虫害）的阻碍。传统上，植物病害检测通过田间巡查（field scouting）进行，依赖于视觉症状。这些方
全球粮食安全面临若干威胁，包括不断增长的人口对已经过度利用的农业产业施加压力。小麦、玉米、水稻和马铃薯等粮食作物的生产本身受到许多非生物和生物因素（包括病虫害）的阻碍。传统上，植物病害检测通过田间巡查（field scouting）进行，依赖于视觉症状。这些方法并不总是准确，疏忽常常导致二次流行病爆发。为了克服这些限制，高光谱成像（Hyperspectral Imaging, HSI）和光谱学（spectroscopy）已成为用于早期植物病害检测的非侵入性技术（non-invasive technologies）。它们有潜力在视觉症状出现之前识别植物中细微的生理变化。在全球范围内，这些方法已广泛用于植物病害检测，但在加拿大报道的基于高光谱的植物病害检测研究很少。本综述批判性地综合了高光谱技术在农业中的应用，重点关注全球和加拿大背景下的马铃薯病害。大多数使用这些方法的研究是在受控条件下进行的。与许多其他方法一样，将实验室模型转化到实际农田面临性能下降，原因是环境变异性、复杂背景、传感器和照明差异，以及生物和非生物胁迫之间的混淆响应。本综述旨在（i）强调高光谱成像用于大规模病害检测的关键局限性，即从图像采集到实验室和田间条件下模型建立的工作流程差异，（ii）提供一个弥合高光谱技术（hyperspectral techniques）实验研究与实际应用之间差距的视角。这旨在为开发更早、更准确的植物病害检测工具奠定基础。
**1. Introduction**
全球人口增长对粮食安全构成压力，马铃薯作为第四大主粮作物，受超过100种病害威胁，产量损失可达30%。加拿大马铃薯产业经济重要，但西部产区面临干旱、热浪等气候变异，影响病害流行病学。传统检测依赖视觉症状，存在滞后性和误判问题。高光谱成像（HSI）结合人工智能（AI）和机器学习（ML）能早期探测植物生理变化，但实验室模型向田间转化面临环境变异、复杂背景等挑战。本综述旨在评估HSI在马铃薯病害检测中的应用，比较实验室与田间条件下图像采集与数据处理差异，并探讨大规模部署的技术障碍，以弥合实验研究与实际应用之间的鸿沟。
**2. Empirical Studies on Hyperspectral Techniques for Plant Disease Detection**
高光谱技术已用于马铃薯病害检测，特别是区分健康与感染植株。真菌感染改变叶片色素组成，导致光谱反射率变化，图1（略）展示了健康与早疫病感染叶片的光谱差异。
**2.1. Hyperspectral Sensors for Plant Diseases Detection**
非成像传感器（点光谱仪）仅测量平均光谱反射，缺乏空间信息，难以检测小尺寸早期症状。成像传感器（如实验室推扫式、近地面、无人机UAV）提供三维数据立方体，空间分辨率依赖于传感器与目标距离。UAV-HSI可快速监测大面积，但空间分辨率较低，不适合单个叶片早期病变检测。
**2.2. Disease detection under controlled environment condition**
受控环境研究（如实验室、生长室）利用高光谱相机或光谱仪，在稳定光照下获得高精度。例如，采用极端学习机（ELM）和连续投影算法（SPA）区分番茄早疫病和晚疫病，准确率达97.1%。疾病严重度评估比分类更困难，如最小二乘支持向量机（LS-SVM）对晚疫病严重度分类准确率94.87%。使用场光谱仪（field spectroradiometer）在生长室中，偏最小二乘判别分析（PLS-DA）可区分早疫病和晚疫病阶段，准确率89-95%，但早期和潜伏期分别降至80%和75%。受控条件提供理想环境，但模型在田间可能性能下降。
**2.3. Diseases detection under field condition**
田间检测受光照、土壤背景、冠层结构、阴影等影响，模型性能差异大。近地面高光谱成像结合深度学习，如多维Atrous-CNN对多种马铃薯叶病检测准确率0.9987，但叶片采集后实验室成像限制了泛化性。混合深度学习架构（PLB-2D-3D-A）在田间对20个马铃薯基因型晚疫病早期检测，全波段准确率73.9%，选择波段后79%。UAV-HSI检测番茄病毒病（如TYLC、BS、TS）准确率96-100%，但实验田条件较理想。多站点多年验证（如PVY检测）使用UAV搭载VNIR传感器，准确率83.3%，识别出6个稳定敏感波长。环境胁迫交互作用复杂，如干旱和根结线虫共同胁迫时，HSI分类性能下降至0.58，表明非生物胁迫主导光谱变异。
**2.4. Diseases detection in potato tubers**
块茎级高光谱成像用于采后检测，如短波红外（SWIR）区域有效检测根结线虫，线性判别分析（LDA）和偏最小二乘支持向量机（PLS-SVM）准确率接近100%。但块茎在地下，田间无法直接光学检测，因此HSI更适用于叶部和冠层病害。在加拿大西部，主要病害（早疫病、晚疫病、黄萎病、PVY）影响叶片，HSI在可见光（VIS）、红边（red-edge）和近红外（NIR）区域有潜力，但需多品种、多环境验证。
**3. General workflow of hyperspectral imaging in plant disease detection**
HSI系统可部署于实验室台式、近地面传感器、UAV或卫星平台。图2（略）展示了实验室扫描工作流程，图3（略）比较了实验室与田间工作流程差异。
**3.1. Image acquisition and preprocessing**
高质量图像采集需优化传感器参数、照明条件、扫描速率等。校准包括黑白参考，实验室条件稳定，田间需多次校正和大气校正以消除分子散射和吸收影响。UAV数据还需几何校正（地理配准）以匹配地理信息系统（GIS）。
**3.2. Data preprocessing and feature extraction**
ROI选择通过分割（如K-means、阈值）分离目标与背景，田间背景复杂需额外处理。特征提取包括植被指数（VIs）如修改归一化差异红边指数（MNDRE）、水指数（WI）、归一化差异植被指数（NDVI）等，但NDVI无法识别病原体。灰度共生矩阵（GLCM）用于纹理特征。降维方法包括主成分分析（PCA）、偏最小二乘（PLS）、线性判别分析（LDA）、连续投影算法（SPA）、竞争自适应重加权采样（CARS）等。混合方法（如PCA+GLCM）和基于张量分解的方法（如TDRLR、SSTC）可保留空间-光谱结构，提高分类性能。
**3.3. Data modelling and analysis**
模型选择取决于任务：分类（如SVM、RF、kNN）或回归（如PLSR、逻辑回归）。深度学习（DL）自动学习特征，如3D-CNN、混合架构（ConvNeXt-LiteMamba）提高精度，但需数据增强避免过拟合。无监督域适应（UDA）框架（如扩展多模态LSTM）可改善跨域迁移性。
**3.4. Model validation and generalizability**
严格分离训练/测试集避免数据泄露，如像素或图像块来自同一叶片或植株时不应跨集分配。预处理和特征选择应在训练集上完成。验证策略包括留出法或k折交叉验证。评估指标需包括精确率、召回率、F1-score和混淆矩阵，尤其对象级检测指标。例如，像素级准确率92%但对象级精确率仅0.22，说明仅靠准确率不充分。
**4. Technical Challenges of Using Hyperspectral Imaging for Plant Diseases Diagnosis**
主要挑战包括实验室与田间条件差异、生物非生物混淆、数据充足性和计算限制。
**4.1. Laboratory Conditions**
光照稳定是实验室高精度的关键，但钨卤灯产生热量可能影响样品和传感器，导致光谱变异和生理应激响应，混淆病害光谱。
**4.2. Field Conditions**
田间环境变异导致模型性能下降，如实验室模型准确率94.1%降至田间的80.8%。光照、阴影、双向反射分布函数（BRDF）效应、土壤背景、杂草、UAV运动模糊等增加复杂性。迁移学习和UDA可改善实验室到田间的域差异。
**4.3. Biotic and Abiotic Confounding Factors**
生物和非生物胁迫产生相似光谱，难以区分。多传感器融合（热成像、LiDAR）提供互补信息，但需空间配准和同步，增加成本和计算负担。UAV多传感器载荷限制飞行时间（如3.65 kg载荷仅约20分钟）。
**4.4. Data sufficiency and computational limitations**
高光谱数据高维、冗余、混合像素，小样本导致过拟合。降维可能丢失空间信息。DL需要大量数据和计算资源，数据增强可部分缓解。需开发低成本传感器、便携系统、高效处理算法。
**5. Conclusion and Prospects**
HSI结合ML/DL在早期马铃薯病害检测中具有潜力，但加拿大应用有限。未来需开发标准化数据集、稳健验证协议、多站点多季节试验，以及基于病害敏感波长的低成本多光谱传感器。集成UAV、边缘AI、多传感器融合和决策支持系统可实现实时监测和精准管理。研究人员、技术开发者、产业与种植者的合作将加速技术转化，推动加拿大马铃薯生产中精确病害管理的可持续发展。
